GANs和Generative Adversarial Nets和Vox2Vox: 3D-GAN for Brain Tumour Segmentation

参考：

• 各种生成模型：VAE、GAN、flow、DDPM、autoregressive models https://blog.csdn.net/zephyr_wang/article/details/126588478
• 李沐GAN精度

x.1 生成模型家族

DGMs（Deep Generatitve Models）家族主要有：GAN（Generative Adversarial Network），VAE（Variational autoencoder），flow，DDPM，Autoregressive models。

x.2 GANs简介

今天主要讲一下GANs。

GANs作为生成模型的一员，它分为两部分Discriminator判别器和Generator生成器。其中Discriminator用于区分真实样本与生成样本；Generator用于生成假样本来欺骗Discriminator。两者要达到nash equilibrium。

x.3 GANs痛点

GANs的主要难点如下：

• 高质量图像的生成
• 生成图像的多样化
• 训练的不稳定性

x.4 GANs分类

GANs有很多变体形式，我们主要根据以下几点对GANs的变体进行分类：体系结构变体（architecture-variant）和 损失变体（loss-variant）。其中，在体系结构变体中，我们分为三类，分别为网络结构（network architecture）、隐空间（latent space） 以及 应用研究（application-focus）；对于损失变体，我们将其分成两类，损失类型和正则化。

x.5 Generative Adversarial Nets

x.5.1 GAN的创新

改文章由花书作者Ian J. Goodfellow于2014年提出。GAN提出了一个新的framework框架，并影响了后续好几万份的工作。GAN做出的贡献主要包括两点：

• 他是unsupervised-learning无监督学习，未引入标号。
• 他将supervised-learning监督学习的cost function引入无监督学习，cost func所需要的标号来自采样（training data）或者生成（generate data）。

x.5.2 GAN的网络架构

GAN的网络架构由两个模型组成，generative model G生成模型G和discriminative model D判别模型D，G和D都是由multilayer perceptrons(MLP)多层感知机构成。为了方便理解，可以将G类比为counterfeiters造假者，将D类比为police警察，两者要相互博弈，且要达到一个均衡。

DL的本质是要学习一个分布。

• 输入signal的分布，通过网络模型，使得最终的输出的分布趋近于target的分布。这便是第一种学习分布的方式，即构造出target的分布。（解析解）
• GAN并不需要学习target的分布，GAN通过随机噪声z生成一个分布，使得这个分布近似于target的分布。（逼近）

生成器

一个像素对应一个随机变量x，很多随机变量组成一个随机向量，不妨设这组随机变量独立同分布于总体的分布，即对于随机变量$x$它的分布为pgp_gpg​。（这里的分布是指概率分布，而不是分布函数，你可是理解为分布律[离散]/概率密度函数[连续]）。

同时我们具有一组随机噪声$z$，他的分布为pzp_zpz​。

我们的生成模型为G(z;θg)G(z; \\theta_g)G(z;θg​)其中θg\\theta_gθg​为可学习参数。即我们将噪声z生成了G_z。

生成器要尽量生成趋近于真实的数据，来迷惑判别器。

判别器

我们的判别模型为D(x;θd)D(x; \\theta_d)D(x;θd​)其中θd\\theta_dθd​为可学习参数。

我们通过将随机变量$z$或者$x$输入判别器，判别器输出一个标量0或1。其中0表示假，1表示真。

判别器要尽量区分生成器生成的假图和真实的图片。

x.5.3 GAN的损失函数

GAN的损失函数是这样一个函数：对于D来说要让cost尽可能大；对于G来说要让cost可能小。

最终我们需要让G，D达到均衡——nash equilibrium。

x.6 Vox2Vox

这是一个3DGan，生成器为3DUNet，判别器为3D卷积。